基于云-边-端架构的多中心医疗设备大数据云平台

摘要

一种基于云‑边‑端架构的多中心医疗设备大数据云平台，其包括：端层、边层、云层；端层包括多个医疗设备及医疗设备采集终端；医疗设备采集终端自医疗终端采集医疗数据；端层将其医疗数据传输至边层；边层为多个边服务器构成的边服务器集群，其包括：数据流集群模块和数据展示模块，用于医疗设备数据接入、数据解析、数据结构化、实时分析处理、数据展示、数据传输，并提供医院信息系统数据接入接口；边层将其医疗数据传输至云层；云层包括：医疗设备物联网业务中心、数据AI平台、技术平台、数据湖集群，用于支持多种数据类型标准化接入，实现多模态、不同时间颗粒度的健康与医疗数据海量存储，并提供易于扩展的离线计算和批处理架构。

说明书

技术领域

本申请涉及物联网领域，尤其涉及一种基于云-边-端架构的多中心医疗设备大数据云平台。

背景技术

当前，随着医疗信息技术的快速发展，各个医疗机构正在逐步完成向信息化的转变。医院信息系统、实验室信息管理系统、医学影像存档与通讯系统、放射信息管理系统已经在医疗机构中普遍使用，辅助医疗机构日常运营。随着医疗人员的认识加强，发现医疗设备产生的数据也具有极其重要的研究价值。运用大数据技术搭建医疗设备物联网大数据云平台，收集不同数据源的数据，对数据进行实时分析、展现，同时离线处理、分析，挖掘数据价值，辅助医院业务运行。

目前，存在以下技术问题：

第一，数据量存在本地磁盘中消耗空间大且种类繁多；传统数据存储之间存放在本地磁盘中，随着时间的累积，磁盘需要不断地更换，经济消耗巨大。

第二，传统数据存储与整理弊端；传统数据存储与整理多针对的是结构化的数据。医疗设备产生的数据多为非结构化数据。非结构化数据处理指对检查描述、检查结论等文本信息的处理，整段的文字描述，必须要抽取其中的关键信息，否则无法进行有效的科研利用，并且这些大量的文本数据，包含的信息量是巨大的，在提取关键、有效信息的同时，必须要保证信息提取的全面性，任何有用信息的丢失，都是一个数据完整性的巨大损失。

第三，每个应用程序会产生、存储大量数据，而这些数据并不能被其他应用程序使用，这种状况导致数据孤岛的产生。同时，缺乏数据管理、数据所有权与访问控制等问题。

发明内容

鉴于上述问题，本申请旨在提出一种基于云-边-端架构的多中心医疗设备大数据云平台。

本申请的基于云-边-端架构的多中心医疗设备大数据云平台，其包括：端层、边层、云层；每个中心至少设置有端层和边层；云层设置在所述多中心的一个中；

每个端层包括多个医疗设备及医疗设备采集终端；每个医疗设备采集终端与至少一个医疗终端对应；医疗设备采集终端自医疗终端采集医疗数据；端层将其医疗数据传输至与其同处于一个中心的边层；

每个边层为多个边服务器构成的边服务器集群，其包括：数据流集群模块和数据展示模块，用于医疗设备数据接入、数据解析、数据结构化、实时分析处理、数据展示、数据传输，并提供医院信息系统数据接入接口；边层将其医疗数据传输至云层；

云层包括：医疗设备物联网业务中心、数据AI平台、技术平台、数据湖集群，用于支持多种数据类型标准化接入，实现多模态、不同时间颗粒度的健康与医疗数据海量存储，并提供易于扩展的离线计算和批处理架构；数据AI平台提供对数据智能分析能力，提供数据治理、算法与模型构建；医疗设备物联网业务中心提供对所有业务流程管控与业务数据的权限分配；数据湖集群用于数据接入、数据存储和数据查询；技术平台利用云服务搭建，由微服务、云中间件和软件开发云组成，提供各种技术服务。

优选地，所述医疗设备采集终端通信通过串口或网口自医疗设备采集医疗数据。

优选地，数据流集群模块通过在边缘服务器集群上使用大数据技术搭建；数据流集群模块接入医疗设备数据，提供实时解析、处理数据服务，可将处理后的数据推送至数据展示模块进行可视化显示，或者推送至云层进行数据二次分析利用；

所述医院信息系统数据接入接口用于接入医院信息系统数据，遵循Webservice协议，以请求-应答方式获取医院信息系统所需数据字段。

优选地，所述云层由处于同一个中心的多个服务器组成；

所述数据湖集群通过大数据技术和云计算技术搭建而成；

技术平台和数据AI平台通过云服务和人工智能技术搭建而成。

优选地，数据流集群模块通过使用Nifi、Kafka、Spark中至少一种大数据组件技术搭建；数据流集群模块按照构建的数据模型与数据标准协议对原始数据进行结构化处理，以完成数据解析。

优选地，所述医疗设备包括ICU设备和医疗影像设备；对于ICU设备，数据流集群模块按照HL7标准进行解析；对于医疗影像设备，按照按照该设备的协议进行解析。

优选地，数据湖集群的搭建使用Hadoop、HDFS、Kafka、Hive、Druid大数据技术中的至少一种；所述云服务包括基础设施服务(IaaS)，平台服务(PaaS)，软件服务(SaaS)中的至少一种；

所述数据AI平台为机器学习与深度学习提供海量数据预处理及半自动化标注、大规模分布式训练、自动化模型生成，及云-边-端架构按需部署能力，帮助用户快速创建和部署云-边-端架构，管理全周期AI工作流，并提供数据治理服务。

优选地，医疗设备物联网业务中心的管控包括：日常设备管理、中央监护、重症信息管理系统、设备实时大屏、设备效率分析、设备效益分析、设备维护分析。

本申请的基于云-边-端架构的多中心医疗设备大数据云平台，端层负责底层数据采集；边层负责数据接入，数据解析与实时处理，提供边缘计算服务，可以制成轻量级应用开发与部署；云层主要负责数据离线处理与大规模存储，通过云服务SaaS、Paas、Iaas支撑技术平台和数据AI平台，并部署医疗设备物联网业务中心。

附图说明

图1是本发明实施例提供的云-边-端架构的多中心医疗设备大数据云平台架构。

图2是本发明实施例提供的数据流平台技术架构。

图3是本发明实施例提供的应用展示模块的功能架构。

图4是本发明实施例提供的一种NiFi数据流实时监控实例。

图5是本发明实施例提供的数据流监控管理系统。

图6是本发明实施例提供的大数据ETL技术架构。

图7是本发明实施例提供的一种面向急诊业务的数据仓库数据模型。

图8是本发明实施例提供的大数据ETL的步骤流程图。

图9是本发明实施例提供的数据治理体系架构图。

图10是本发明实施例提供的安全体系技术架构图。

图11是本发明实施例提供的用户使用平台时安全体系对权限的管理流程。

图12是本发明实施例提供的数据AI平台应用形成流程图。

图13是本发明实施例提供的病人异常状态检测系统的算法流程图。

图14是本发明实施例提供的基于大型影像类设备日志关键部位预测预警模型的算法流程图。

图15是本发明的结构示意图。

具体实施方式

下面，结合附图对本申请的基于云-边-端架构的多中心医疗设备大数据云平台进行详细说明。

本申请的医疗大数据云服务分析平台的软、硬件架构说明如下：

1.系统采用云-边-端架构

如图1所示，基于地理位置分布，在各中心部署边缘服务器，保证数据低时延传输，实时业务数据解析、分析、展示等工作。部署云平台，统一下发服务与模型，保证边云协同，形成统一管理、灵活部署、高度自动化运维的架构体系。

2.系统设计原则

1)设备运行信息与临床信息并重，关注终端设备产生的所有相关数据，对接医院信息系统，涵盖全部设备相关数据。

2)完全支持系统功能需求，支持7天*24小时连续运行，足够的磁盘容量，支持大量实时业务处理的运行速度，管理复杂关系中数据库表的能力，安全性，容错，支持用户界面的友善性设计等。

3)系统运行环境和体系结构要有较强的灵活性，可伸缩性，可扩展性和开放性，不仅要充分考虑和满足当前的需求，而且要便于以后的扩充与扩展，要能长期保护已有的投资。

4)能够支持第三方产品的部署与数据同步对接。

如图1所示，本发明实施例的多中心医疗设备大数据云平台，包括：终端医疗设备、终端医疗设备数据采集模块、边缘数据流集群、边缘数据展示模块、云平台数据湖集群、云平台技术平台、云平台数据AI平台、云平台医疗设备物联网业务中心。

一、医疗设备底层原始数据获取

具体的，医疗设备可以分为急救ICU类医疗设备包括：监护仪、呼吸机、麻醉机等和大型影像类医疗设备包括：CT、MR、超声等。原始数据包括体征数据、波形数据、告警数据、日志数据。兼容TCP、UDP、HTTP、本地文件系统等多种采集传输协议，支持hl7、xml、json、二进制文件、图片、视频等多种结构化、半结构化、非结构化数据采集。

急救ICU类医疗设备原始数据获取通过数据采集终端集成通信协议，串口或网口连接医疗设备。

大型影像类设备通过权限可将设备运行日志、设备告警日志等以log文件形式通过网口直接传输。

二、边缘服务器集群

如图2所示，边缘服务器集群部署大数据流平台，涵盖数据采集服务端(Nifi)、分布式消息引擎(Kafka)、流数据实时分析引擎(Spark Streaming)等，实现数据的实时采集、解析归集、稳定传输、高效分析。

应用展示通过数据大屏实时显示业务管理与统计图表信息。

1.数据流实时管理

数据流平台部署分布式数据采集服务(Nifi)关键功能包括流管理，易用性，安全性，可扩展的体系结构和灵活的缩放模型，与终端的采集客户端通过可视化配置动态建立连接，实现海量数据多路并发采集；

平台部署数据流监控管理系统，实时跟踪各个终端绑定的医疗设备基本信息、数据传输情况；实时呈现数据流统计指标、终端状态、告警信息等；NiFi集群中的每个节点都对数据执行相同的任务，但是每个节点都对不同的数据集进行操作。由ZooKeeper选择一个节点作为集群协调器，并且故障转移由ZooKeeper自动处理。所有集群节点均向群集协调器报告心跳和状态信息。集群协调器负责断开和连接节点。此外，集群有一个主节点，该节点也由ZooKeeper选择。作为DataFlow管理器，用户可以通过任何节点的用户界面(UI)与NiFi群集进行交互。所做的任何更改都将复制到群集中的所有节点，从而允许多个入口点。

数据流部署与编排：通过流程编排部署模型解决IoT应用的终端部署和边缘采集问题。并支持对原有流程进行可视化编排、发布，简化IoT应用边缘端的部署、编排。

数据流监控：数据流平台提供从源端到末端的全链条数据跟踪、流量监控，可追溯到每条数据的源端，出现传输故障、数据质量问题等可自动定位终端设备。

2.解析归集

急救ICU类医疗设备数据解析按照HL7标准进行解析结构化，通过Java框架Hapi可以将HL7原始报文进行拆解。

大型影像类医疗设备按照生产厂家规定，可以将日志数据解析成结构化数据传输到消息中间件中进行数据传输、归集。

数据归集是各种来自不同数据源的数据进入大数据系统的第一步。这个步骤的性能将会直接决定在一个给定的时间段内大数据系统能够处理的数据量的能力。数据归集过程基于对该系统的个性化需求，但一些常用执行的步骤是-解析传入数据，做必要的验证，数据清晰，例如数据去重，转换格式等。

来自不同数据源的传输是异步进行的。可以使用文件来传输、或者使用面向消息的中间件来实现。由于数据异步传输，所以数据采集过程的吞吐量可以大大高于大数据系统的处理能力。异步数据传输同样可以在大数据系统和不同的数据源之间进行解耦。大数据基础架构设计使得其很容易进行动态伸缩，数据采集的峰值流量对于大数据系统来说算是安全的。经过测试，此数据平台可达到每秒处理百兆数据级别，保证平台数据吞吐量，防止消息堵塞。

3.数据传输

数据采集服务对数据进行采集、解析后，接入分布式消息引擎(Kafka)，消息引擎提供流式数据的分布式缓存与并行传输，实现一次且仅一次的语义，保证消息的完整性、唯一性；消息引擎具有消息缓存、消息分发，低延迟交付，用于数据定向分配、和缓解上游生产者与下游消费者的产消速度不匹配问题的功能。

4.高效分析

分布式消息引擎对接下游的实时数据分析系统(Spark streaming)，实时分析系统提供对流式数据的并行消费与实时计算，并将计算结果推送至下游动态呈现。

5.应用展示

通过部署配置Superset，提供对设备时序数据、医疗业务数据的实时查询和统计分析的可视化。对于复杂的统计分析以及机器学习计算结果的可视化，通过Zeppelin、Jupyter Notebook及其扩展实现对Spark、PySpark、SparkR和Python机器学习任务进行交互式呈现。对于需要高度定制的可视化，通过zeppelin+Javascript进行单独开发和部署。前端对接数据大屏，基于web等实现实时展示。

三、云平台

具体的，云平台包括数据湖集群、技术平台、数据AI平台和医疗设备物联网业务中心。

1.数据湖集群

具体的，数据湖集群维护所有平台数据，构建数据仓库，完成数据ETL工作，存储数据。

1)应用技术如下：

Hive：基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。hive数据仓库工具能将结构化的数据文件映射为一张数据库表，并提供SQL查询功能，能将SQL语句转变成MapReduce任务来执行。用来存取结构化的设备临床数据和设备运行数据。

Druid：Druid是一个分布式的、支持实时多维OLAP分析的数据处理系统。它既支持高速的数据实时摄入处理，也支持实时且灵活的多维数据分析查询。

HDFS：HDFS是Hadoop的分布式文件系统(Hadoop Distributed File System)，实现大规模数据可靠的分布式读写。HDFS针对的使用场景是数据读写具有“一次写，多次读”的特征。HDFS保证一个文件在一个时刻只被一个调用者执行写操作，而可以被多个调用者执行读操作。承载非结构化数据读写与存储的功能。

SparkSQL：Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。具有以下特点：1.易整合2.统一的数据访问3.兼容Hive 4.标准的数据连接；

2)大数据ETL

参考图6，大数据平台ETL涵盖数据数据采集、数据存储和数据转换三部分内容。

数据采集层对接业务系统和其他关联的外部数据，支持关系型数据库、NoSQL数据库、文件、流式数据等多种异构数据源。本层负责数据高效稳定采集传输，尽可能保证数据的完整性、一致性。

数据采集层针对数据源的差异采用不同的技术方案。

对于定期同步的结构相对复杂的业务数据，通过数据ETL工具(如Sqoop、Kettle)开启定时采集任务的方案。

对于实时同步要求较高的数据，通过流式数据采集方案(如Nifi/Flume/Logstash+Kafka、StreamSets)。

大数据平台采用分层方案存储数据，根据数据使用场景的不同，将数据存储部分划分为贴源数据层、数据仓库层和数据应用层三部分。贴源数据层保存采集服务上报的数据，本层与源系统保持数据的同构性，并通过增量/全量加载方式与源系统数据定期/实时同步。数据仓库层通过对贴源层数据清洗、加工，并根据粗粒度业务场景进行抽取转换，形成面向主题的标准化的数据结构。数据应用层在仓库层基础上，针对具体业务应用(如数据检索、统计分析、迭代计算等)组织数据，业务应用通过接入层API直接与本层对应的数据表进行交互。

数据存储方式根据数据的结构、用途、来源的差异以及实时性、完整性、一致性等要求采用不同的技术方案。

用于离线计算的结构化业务数据(如HIS系统数据)考虑以Hive表的方式存储到HDFS中；用于实时查询和统计分析的时序数据(如设备数据)存储到Druid中；对于有实时查询和实时更新要求的数据(如计算任务的中间结果数据)考虑存储到HDFS中；采用Hive解决异构数据存储间的关联操作。

数据转换模型主要承担分层存储模型在各层之间的数据抽取、清洗、加工等任务。这里设计一套基于插件方式的可扩展的数据转换模型，模型组件提供通用的数据转换流程，对于不同业务类型的数据转换需求，可以根据模型提供的接口规范开发自定义规则，以插件方式接入到转换模型中。

数据转换模型技术方案：Sqoop自定义函数或Kettle扩展插件。

数据经过ETL之后形成针对不同主题的数据仓库或者数据库，包括医疗设备业务数据库包括：各科室ICU类设备临床数据库、大型影像类日志数据库、大型影像类故障维修数据库，电子病历文档库、运营管理数据库等。

结合具体实例说明如下，本实例ICU类设备结构化数据与医院信息系统融合形成急救ICU数据仓库，数据模型，流程图如图8所示。

多数据源IO接入使用sparkSQL，数据源包括监护仪原始HL7报文数据流，医院信息系统xml报文；

数据清理、转换、抽取使用分布式计算完成，通过配置代码形成ETL工具，数据清理主要通过设置阈值和异常值对数据进行过滤，并将空值筛选丢弃；

数据结构化加载通过sparkSQL实现，将两个数据源中的数据匹配后进行结构化处理；

hive提供meta和数据仓库操作，数据根本存储在hdfs。

具体配置如下：

1)抽取数据

2)转换

选取列名

非空处理与异常值处理

数据类型转换

df＝df.withColumn('order_type',df.order_type.cast(IntegerType()))

df＝df.withColumn('cost_count',df.cost_count.cast(IntegerType()))

df＝df.withColumn('is_comb',df.is_comb.cast(IntegerType()))

#dfc＝dfc.withColumn('is_insurup',dft.is_insurup.cast(IntegerType()))

df＝df.withColumn('tsort',df.tsort.cast(IntegerType()))

df＝df.withColumn('tstatus',df.tstatus.cast(IntegerType()))

df＝df.withColumn('cost_tstatus',df.cost_tstatus.cast(IntegerType()))

df＝df.withColumn('payment_tstatus',df.payment_tstatus.cast(IntegerType()))

df＝df.withColumn('is_append',df.is_append.cast(IntegerType()))

#dfc＝dfc.withColumn('send_mtl_flag',dft.send_mtl_flag.cast(IntegerType()))

df＝df.withColumn('comb_cost_count',

df.comb_cost_count.cast(IntegerType()))

聚合

#聚合:按费用业务类型分组聚合

df_order＝df.groupBy("order_type").agg(F.sum(df.cost_money-df.prefer_money),F.max(df.cost_money-df.prefer_money))

df_order＝df_order.withColumnRenamed("sum((cost_money-prefer_money))","sum_group_order")

df_order＝df_order.withColumnRenamed("max((cost_money-prefer_money))","max_group_order")

df_order.show(200,truncate＝False)

#聚合：按诊断科室分组聚合

df_depart＝df.groupBy("op_depart_code").agg(F.sum(df.cost_money-df.prefer_money),F.max(df.cost_money-df.prefer_money))

df_depart＝df_depart.withColumnRenamed("sum((cost_money-prefer_money))","sum_group_depart")

df_depart＝df_depart.withColumnRenamed("max((cost_money-prefer_money))","max_group_depart")

df_depart.show(200,truncate＝False)

3)存储与加载

2.技术平台

技术平台以微服务的形式提供平台需要的技术服务，主要包括数据治理和安全管控。

数据治理主要通过部署数据治理平台完成，框架如图9所示。

通过数据治理，可以构建开放通用的数据采集接口，提高数据采集效率；统一数据标准，轻松融合数据；建立跨平台的数据提取和数据追溯，实现开放共享，打通信息孤岛；保护隐私数据，构建可信数据。

参考图10，平台集成LDAP、KDC Kerberos、Ranger来实现用户和服务账户管理、授权、鉴权、服务集群保护、数据访问权限控制等过程。

基于KMS秘钥管理服务对传输数据进行加密。

通过授权认证策略和安全通道结合实现对数据安全传输和访问控制，保证数据及服务的安全使用。

参考图11，平台安全体系包括：Kerberos/LDAP用于身份认证，Ranger用于授权审计，Knox负责集群安全，集成后满足同一个账号共享(如user1用户可以在linux、ambari、ranger、kerberos等均可使用)，LDAP负责维护所有用户和管理员信息，Ranger可同步LDAP中的用户，并进行统一的用户权限管理，并且LDAP用户可配置为linux的系统用户；Knox作为API安全网关的备选方案，同样可共享LDAP、Kerberos中创建的用户，并对非法访问Host进行拦截；由此构成数据流和数据湖平台的安全体系。

3.数据AI平台

平台集成华为ModelArts平台服务。ModelArts是一个一站式的开发平台，能够支撑开发者从数据到AI应用的全流程开发过程。如图12,所示，包含数据处理、模型训练、模型管理、模型部署等操作，并且提供AI市场功能，能够在市场内与其他开发者分享模型。ModelArts支持应用到图像分类、图像检测、视频分析、语音识别、产品推荐、异常检测等多种AI应用场景。

4.医疗设备物联网业务中心

医疗设备物联网业务中心集成医疗设备物联网大数据分析，形成统一监管体系，包括：成本效益、业务监管、保障分析、质量安全、使用分析。

1.单机效益分析

挑选有代表性的设备进行单机效益分析，包括：①价值高且对医院收入有较大的影响的设备，如门诊医技科室的CT、DSA、DR、MR、彩超、生化分析仪等；②在医院占有量大，分布广泛的设备，如多参数监护仪，一般选取某个科室的此类设备作为一个整体来分析；③使用率不高，但抢救病人必需的设备，如除颤仪、呼吸机等。们计算下列指标：平均收费标准、平均单位可变成本、平均单位收益、周期内保本收入、保本点(即为避免设备发生亏损每年所必须达到的最低业务量)、医院还本年限、规定年限该设备所创净收益、年投资收益率等，以表格形式在数据大屏上显示。

2.基于数据挖掘技术的医疗设备绩效预测模型

利用数据挖掘技术针对大型影像类设备产生的运行日志和维修日志数据同设备维修消耗费用，收入费用、，折旧费用等数据进行融合。使用决策树算法构建每种医疗设备预测性绩效模型，得出设备绩效评分。

3.大型影像类设备预约/检查人次统计分析

实时监控CT、MR等大型影像类医疗设备当前预约人次和检查人次，包括人次统计，科室排名，月日均预约人次/检查人次趋势折线，月日均预约等待时间统计。

4.大型影像类医疗设备智能报表

通过科学合理地评价、分析设备运行日志、维修和关键部位扫描数据，对医疗设备运行情况形成报表统计，可直接通过系统调用，展示。主要指标包括：关键部位月度报错频率统计，医疗设备使用率统计分析，医疗设备日/月检查部位变化统计，医疗设备月维修次数统计，关键部位损坏率。

5.血透机精准预防性维护

基于BP神经网络算法对血透机设备运行数据进行预测，提前进行设备维修提示，并给出预防性维护方案。

6.大型影像类设备健康度评价标准系统

结合维修工程师经验，运用故障树分析，故障模式与影响分析方法获得设备FTA图表和FMEA表，建立设备故障经验数据库，判定设备健康分布类型，预估分布擦数，完成高置信度的健康度量分析。

7.病人异常状态检测系统

针对科室病人生命体征监测数据开发病人异常状态检测算法，如图13所示，得到实时病人状态评分，设定阈值。超过阈值或趋势上升时产生报警，辅助医护人员进行抢救措施。

8.基于大型影像类设备日志关键部位预测预警模型

基于对大型影像类设备日志数据和设备维修系统数据(MEIS)进行数据融合，通过机器学习算法对特征数据进行训练，得出分类结果，判断设备在T+1时段是否发出故障，并及时预警，如图14所示。

除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。

虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。